Pengaruh Hiperparameter dan Variabel Eksogen pada Prediksi Multi-Langkah Kecepatan Angin menggunakan LightGBM

Fitriyati, Nina
Liebenlito, Muhaza
Tsabitah, Salma Hasna

Jurnal Fourier
Vol. 15 No. 1 (2026)

Penelitian ini menganalisis pengaruh konfigurasi hiperparameter dan variabel eksogen terhadap prediksi kecepatan angin multi-langkah menggunakan algoritma LightGBM dengan strategi Recursive dan Direct. Hasil penelitian menunjukkan bahwa panjang horizon prediksi merupakan salah satu faktor utama yang mempengaruhi tingkat kesalahan prediksi, dimana nilai kesalahan meningkat secara konsisten dari horizon 1 langkah hingga 30 langkah. Penambahan variabel eksogen pada model berupa suhu minimum dan kelembaban relatif terbukti mampu meningkatkan kinerja model pada seluruh horizon, dengan dampak yang lebih besar pada horizon menengah dan panjang. Selain itu, tuning hiperparameter menunjukkan pengaruh yang bergantung pada horizon, dimana tuning memberikan manfaat yang lebih jelas pada prediksi jangka panjang. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa kinerja prediksi kecepatan angin tidak hanya dipengaruhi oleh pemilihan algoritma, tetapi juga dipengaruhi oleh kombinasi strategi prediksi, variabel eksogen, konfigurasi hiperparameter, dan panjang horizon prediksi. Kata Kunci: horizon, konfigurasi hiperparameter, pendekatan Direct, pendekatan Recursive. Abstract This study analyzes the effect of hyperparameter configuration and exogenous variables on multi-step wind speed prediction using the LightGBM algorithm with Recursive and Direct strategies. The results show that the length of the prediction horizon is one of the main factors affecting the level of prediction error, with the error increasing consistently from 1 step to 30 steps. The addition of exogenous variables to the model, such as minimum temperature and relative humidity, has been shown to improve model performance across all horizons, with a greater impact on medium- and long-horizon forecasts. In addition, hyperparameter tuning exhibits a horizon-dependent effect, with greater benefits for long-term predictions. Overall, the results of this study indicate that wind speed prediction performance is influenced not only by the choice of algorithm but also by the combination of prediction strategy, exogenous variables, hyperparameter configuration, and prediction horizon length. Keywords: horizon, kyperparameter configuration, Direct approach, Recursive approach.